Академический Документы
Профессиональный Документы
Культура Документы
Material de Cátedra:
Licenciatura en Relaciones Internacionales
Licenciatura y Profesorado en Geografía.
Licenciatura en Gestión ambiental
Carrera de Turismo
Autores:
Silvina Etcheverría
María del Carmen Romero
2018
1. INTRODUCCIÓN
2. CONCEPTOS BÁSICOS
1- Se lo puede repetir bajo las mismas condiciones tantas veces como se desee.
2- No se puede predecir con exactitud el resultado de dicho experimento, pero se puede
decir cuáles son los posibles resultados del mismo.
Ejemplo 1:
a) tirar un dado (y registrar el número en la cara de arriba)
b) tirar una moneda (y registrar la fase que se ve)
c) lanzar una moneda tres veces (y registrar la sucesión de caras y cecas obtenidas)
Observación: en los experimentos no aleatorios o deterministas se puede predecir con
exactitud el resultado del experimento, es decir, las condiciones en las que se verifica un
experimento determinan el resultado del mismo. Por ejemplo, si se arroja hacia arriba un objeto
con cierta velocidad inicial, es posible calcular la altura máxima que alcanzará así como el tiempo
que tardará en volver a caer.
1
El conjunto de todos los resultados posibles de un experimento aleatorio es el espacio
muestral y lo denominaremos con la letra S.
Ejemplo 2:
a) Si el experimento aleatorio es tirar un dado y registrar el número en la cara de arriba,
entonces el espacio muestral S = {1, 2, 3, 4, 5, 6}
b) Si el experimento aleatorio es tirar una moneda, entonces S = {cara, ceca}
c) Si el experimento aleatorio es lanzar una moneda tres veces y registrar la sucesión de
caras y cecas obtenidas, entonces S = {CCC, CCX, CXC, CXX, XCC, XCX, XXC, XXX}, (donde C
representa cara y X ceca).
d) Si el experimento aleatorio es tirar un dado las veces necesarias hasta que sale un 6 por
primera vez, y contar el número de tiros realizados, entonces S = {1, 2, 3, 4, ...} = N, donde N es
el conjunto de los números naturales.
e) Si el experimento aleatorio es medir el tiempo de vida de una lamparita eléctrica,
entonces S = {t ∈ R, t ≥ 0} donde R es el conjunto de los números reales.
Se llama evento o suceso a todo subconjunto del espacio muestral.
Ejemplo 3:
a) En el experimento dado en el Ejemplo 2 a), un posible evento es A: “que salga número
par”. Los elementos de S (espacio muestral) que “cumplen” con este evento son A = {2, 4, 6} (A
está incluido en S). Si se considerara el evento B: “que salga un número menor o igual que 3”, B
= {1, 2, 3}.
b) En el experimento dado en el Ejemplo 2 c), un evento de S sería C: “que salgan por lo
menos dos caras”.
Observaciones:
1- Un caso particular de eventos, son aquellos que no tienen elementos, esto es, que ningún
elemento del espacio muestral cumple con lo especificado en el evento (el resultado es el
conjunto vacío (∅). Un evento cuyo resultados en el conjunto vacío cumple con la definición
presentada de evento “subconjunto del espacio muestral” (pues el conjunto ∅ está incluido en
todo conjunto, en particular ∅ está incluido en S). Es el evento que nunca ocurre.
2
Por ejemplo, el evento “que salgan 5 caras” produce un conjunto vacío (no es posible que
suceda ya que en el experimento aleatorio de lanzar una moneda 4 veces no pueden obtenerse
5 caras). Sin embargo, es un evento aplicable a este experimento aleatorio.
Otro caso particular está dado por aquellos eventos cuyos elementos son todos los
elementos del espacio muestral (también cumplen con la condición de ser subconjuntos del
espacio muestral). Estos eventos siempre ocurren. Un ejemplo para el experimento aleatorio de
lanzar 4 monedas sería “que salgan 0 o más caras”.
Ejemplo 4
Si se consideran los eventos A y B del ejemplo 3 a (Evento A: “número par”, Evento B: “número
menor o igual que 3”), se tiene:
3
2.3. Asignación de probabilidades
La probabilidad es un valor que expresa la medida de la posibilidad de que ocurra un evento.
Asume valores comprendidos entre 0 y 1. Un evento cuya probabilidad de ocurrencia es cero es
un evento que no va a ocurrir, si la probabilidad es 1 ocurrirá con total certeza.
Ejemplo 5
Supongamos que se tira un dado equilibrado, esto es que todas las caras tienen igual
probabilidad de caer hacia abajo. Consideremos los eventos D: “que salga un 5”, E: “que salga
un número mayor o igual a 5” y F: “que salga un número par”. Para calcular las probabilidades
de cada evento se debe contar la cantidad de resultados pertenecientes a cada evento y utilizar
la definición dada. Así:
1 ¿Por qué?
𝑝(𝐷) =
6
¿Por qué?
2
𝑝(𝐸) = = 0, 3̂
6
3
𝑝(𝐹) = = 0,5
6
En cambio si el experimento aleatorio se realiza con un dado que tiene alguna deformación
o su centro de gravedad está desplazado, nada garantiza que la probabilidad de obtener un 5
sea 1/6. En ese caso es necesario recurrir a otra forma de asignación de probabilidades.
4
2.3.2. Probabilidad empírica
Esta teoría afirma que un procedimiento válido para calcular la probabilidad de eventos
asociados a un experimento aleatorio es el de repetir el experimento un número grande de
veces y registrar la frecuencia relativa con que el evento ocurre. Imaginemos una serie de N
repeticiones y sea NA el número de ellas en que el suceso A ocurrió. La fracción N A /N es la
frecuencia relativa de A en N repeticiones. Es un hecho experimentalmente observable (si la
experiencia se realiza en iguales condiciones) que a medida que N crece, la frecuencia relativa
de un evento A tiende a estabilizarse alrededor de un valor límite. Ese valor límite es la
probabilidad de A. Simbólicamente:
𝑁𝐴
𝑝(𝐴) = lim
𝑁→∞ 𝑁
Ejemplo 6
Se tiene una moneda y no se sabe si está “equilibrada” (esto quiere decir que al arrojarla la
probabilidad de obtener una cara es igual a la probabilidad de sacar ceca). Si se desea conocer
la probabilidad de obtener una cara, se debe repetir el experimento aleatorio un número grande
de veces, observar la cantidad de caras que se obtienen y dividirlo por el total de repeticiones
que se efectuaron. Dicho valor es la probabilidad que se desea conocer.
Sin embargo en las organizaciones a pesar de que es común tomar decisiones en base a la
probabilidad subjetiva la mayoría de las veces ésta se respalda con datos estadísticos.
5
2.4. Reglas para el cálculo de probabilidades
Ejemplo 7
a) En el experimento aleatorio de extraer una carta al azar de un mazo de 40 cartas
españolas, la probabilidad del evento A: “la carta extraída es un as”:
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑠𝑒𝑠 4
𝑝(𝐴) = = = 0,10
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑡𝑎𝑠 40
Para el mismo experimento aleatorio, dado evento B: ”la carta extraída es de espadas”
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑒𝑠𝑝𝑎𝑑𝑎𝑠 10
𝑝(𝐵) = = = 0,25
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑡𝑎𝑠 40
Finalmente, para el evento C:” la carta extraída es una figura (rey, caballo o sota)”
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑓𝑖𝑔𝑢𝑟𝑎𝑠 12
𝑝(𝐶) = = = 0,30
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑡𝑎𝑠 40
6
𝑛º 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑠𝑒𝑠 𝑑𝑒 𝑒𝑠𝑝𝑎𝑑𝑎 1
𝑝(𝐴 ∩ 𝐵) = = =
𝑛º 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑡𝑎𝑠 40
Veremos más adelante otra forma de realizar este cálculo que será de gran ayuda cuando
no se cuenta con toda la información necesaria para el cálculo directo.
Análogamente:
P(A∩B)
P(A/B) = si P(B) ≠ 0
P(B)
Ejemplo 9
a) Se tira un dado normal dos veces. Sean los eventos A: “la suma de los números obtenidos
es 6” y B: “el primer número es igual a 4”. Entonces para calcular P(A/B) mediante la definición
de probabilidad condicional
7
1
𝑃(𝐴∩𝐵) 36 1
P(A/B) = = 6=
𝑃(𝐵) 36
6
También podemos calcularlo en forma directa, reduciendo el espacio muestral, de todos los
pares que forman el evento B, observamos cuáles cumplen con lo requerido por A, es decir de
todos los pares de B, solo uno tiene la propiedad de que sus componentes suman 6, por lo tanto
P(A/B) = 1/6.
b) En cierta ciudad, 40% de la población tiene cabellos castaños, 25% tiene ojos castaños y
15% tiene cabellos y ojos castaños. Se escoge una persona al azar. Sean los eventos A: “la
persona elegida al azar tiene ojos castaños”, B: “la persona elegida al azar tiene cabellos
castaños”. Si se selecciona un individuo que tiene cabellos castaños, ¿cuál es la probabilidad de
que también tenga ojos castaños?
𝑃(𝐴∩𝐵) 0,15
P(A/B) = = = 0,375
𝑃(𝐵) 0,40
Por lo tanto
P(A ∩ B) = P(B) . P(A/B)
𝑃(𝐴∩𝐵)
Análogamente de P(B/A) = si P(A) ≠ 0
𝑃(𝐴)
Se deduce que
P(A ∩ B) = P(A) . P(B/A)
Ejemplo 10
Consideremos el experimento de extraer dos bolillas al azar sin reemplazo de una urna que
contiene3 bolillas blancas y 7 rojas. Si A: “la primer bolilla extraída es blanca”, y B: “la segunda
bolilla extraída es blanca”, entonces:
3 2
P(A∩B) = P(A) . P(B/A) = .
10 9
8
2
La probabilidad de que ocurra B habiendo ocurrido A es P(B/A) = (¿por qué?) y la
9
3
probabilidad de que ocurra B no habiendo ocurrido A es P(B/A) = (¿por qué?). Se puede ver
9
que la probabilidad de que ocurra B depende de si el evento A ocurre o no. Por lo tanto A y B no
son independientes. Del análisis anterior se desprende lo siguiente.
9
Como puede apreciarse que el caso de eventos disjuntos es un caso particular de éste último
para eventos mutuamente excluyentes en los cuales P(A ∩ B) = 0.
3. VARIABLE ALEATORIA
3.1. Definición
Formulamos la siguiente definición: sea S el espacio muestral asociado a un experimento
aleatorio. Una variable aleatoria (v.a.) es una función que asigna a cada elemento de S un
número real.
Es importante destacar, que para un mismo experimento aleatorio (y espacio muestral)
puede definirse una gran cantidad (infinita) de variables aleatorias. Por ejemplo, para el
experimento aleatorio de tirar una moneda 3 veces y registrar la secuencia de caras y cecas
obtenidas, puede definirse por ejemplo, la variable aleatoria “cantidad de caras” (que tomaría
los valores 0, 1, 2 y 3), “cantidad de cecas”, “cantidad de cambios en la secuencia” (si se tiene,
por ejemplo, CSCC, se registran dos cambios, uno de C a S y otro de S a CC).
Notación: se anota a una variable aleatoria con letras mayúsculas, por ejemplo: X, Y, Z, W,…
Entonces, si X es una variable aleatoria de S en R la notamos como sigue:
X: S → R tal que X(s) = x
donde S representa el espacio muestral, s un elemento de dicho espacio;
X una variable aleatoria y x un valor particular de esa variable.
Ejemplo 12
En el experimento aleatorio de tirar una moneda tres veces podemos considerar la v.a.
X: S → R definida por X: “Cantidad de caras”. Entonces:
X(CCC) = 3
X(CCX) = X(CXC) = X (XCC) = 2
X(CXX) = X(XCX) = X (XXC) = 1
X(XXX) = 0
(No confundir la X que representa a la variable aleatoria “Cantidad de caras”, con la que
representa la ceca de la moneda).
10
defectuosos fabricados por una determinada maquinaria, la cantidad de enfermos que
responden satisfactoriamente a un tratamiento médico, etc.
1/2
1/4
0 1 2 3 X
11
3.2.2. Esperanza matemática y varianza
Se llama esperanza de la variable aleatoria discreta X, al número:
𝑛
𝐸(𝑋) = ∑ 𝑥𝑖 𝑝(𝑥𝑖 )
𝑖=1
V (X) = (x1 – E(X))2 .p1 + = (x2 - E(X))2 .p2 +. ..+ (xn - E(X))2 .pn
12
o
σ = √V(X)
También puede decirse que una variable discreta está asociada con un proceso de conteo,
mientras que una continua con un proceso de medición.
13